郝精一

(航空工業(yè)西安飛機(jī)工業(yè)集團(tuán)有限公司，西安 710089)

0 引言

航空產(chǎn)業(yè)的不斷壯大，民用飛機(jī)的安全性受到了業(yè)界的高度關(guān)注，機(jī)場(chǎng)設(shè)備、飛行員能力、飛機(jī)系統(tǒng)故障和天氣都是影響飛機(jī)安全的重要因素。根據(jù)數(shù)據(jù)顯示，目前民用飛機(jī)的運(yùn)營(yíng)與維修均存在較多問題，其中不乏因航空電氣設(shè)備故障引發(fā)的安全問題，而民用飛機(jī)的內(nèi)部體系較為復(fù)雜，且具有連帶性，若某一設(shè)備出現(xiàn)問題，則需要花費(fèi)大量精力進(jìn)行排查。故障檢測(cè)系統(tǒng)是保證飛機(jī)在起飛、飛行、巡航、著陸等各個(gè)運(yùn)行階段具備一定安全性的重要系統(tǒng)之一[1-2]，無論大型運(yùn)輸機(jī)[3]、民用飛機(jī)[4-5]還是軍用飛機(jī)[6]均離不開故障檢測(cè)系統(tǒng)的燈光指示。民用飛機(jī)著陸滑行燈在飛機(jī)起飛、近進(jìn)、降落和地面滑行時(shí)，利用高壓氣體放電使HID燈發(fā)光，為飛行員照明飛機(jī)前方地面跑道和障礙物，確保飛行安全。民用飛機(jī)著陸滑行燈采用高電壓供電方式，其驅(qū)動(dòng)電源內(nèi)部結(jié)構(gòu)較為復(fù)雜，電氣接口在信號(hào)交聯(lián)時(shí)容易受到電磁干擾[7]，導(dǎo)致著陸滑行燈常亮故障。民用飛機(jī)著陸滑行燈故障往往不是單一故障，漏判會(huì)加大飛行安全隱患[8]，同時(shí)也會(huì)增加航空公司時(shí)間消耗成本。因此，為了提高民用飛機(jī)飛行的安全性，降低事故發(fā)生頻率，對(duì)民用飛機(jī)著陸滑行儀表燈常亮故障進(jìn)行關(guān)聯(lián)檢測(cè)，具有重要的研究意義，對(duì)調(diào)節(jié)飛機(jī)飛行狀態(tài)和著陸狀態(tài)起著至關(guān)重要的作用。

目前國(guó)內(nèi)外相關(guān)專家針對(duì)飛機(jī)不同類型故障進(jìn)行診斷研究，可以為著陸滑行燈常亮故障診斷提供借鑒。王占剛[9]等通過分析大氣數(shù)據(jù)系統(tǒng)的工作原理和線路，排查燈常亮故障發(fā)生的原因，根據(jù)由易到難的方式進(jìn)行篩查，獲取著陸滑行儀表燈常亮故障產(chǎn)生的原因。但該方法的排查時(shí)間較長(zhǎng)，不利于快速識(shí)別故障。田靜[10]等采用遺傳算法(GA)優(yōu)化最小二乘支持向量機(jī)(LSSVM)，獲取飛機(jī)發(fā)動(dòng)機(jī)氣路故障參數(shù)，計(jì)算正則化參數(shù)和核參數(shù)實(shí)現(xiàn)故障精準(zhǔn)診斷，有效提高抗噪強(qiáng)度。但是，GA-LSSVM尋優(yōu)過程較長(zhǎng)，故障診斷耗時(shí)較高。孔祥芬[11]等將最小二乘法(LSR)和支持向量回歸機(jī)(SVR)有效結(jié)合，計(jì)算飛機(jī)驅(qū)動(dòng)發(fā)電機(jī)可靠性分布參數(shù)，獲取飛機(jī)零部件故障變化規(guī)律，確保飛機(jī)安全性。但是，該方法在處理大量樣本數(shù)據(jù)時(shí)，容易產(chǎn)生數(shù)據(jù)冗余。陳瑤[12]等引入自適應(yīng)多普勒策略，改進(jìn)尋優(yōu)頻率參數(shù)，縮短全局搜索最優(yōu)解過程，通過動(dòng)態(tài)鄰域增強(qiáng)尋優(yōu)結(jié)果精度，有效避免局部最優(yōu)。Taimoor M[13]等將擴(kuò)展卡爾曼濾波器用于多層感知器神經(jīng)網(wǎng)絡(luò)中，更新故障參數(shù)的權(quán)重值，在提高故障發(fā)生響應(yīng)速度的同時(shí)，提高了故障檢測(cè)的準(zhǔn)確性。但是以上方法在著陸滑行儀表燈常亮的故障系統(tǒng)檢測(cè)中，均面臨檢測(cè)過程故障概率博弈迭代死循環(huán)的問題，導(dǎo)致檢測(cè)效果不佳。

綜上所述，為了解決上述方法存在的問題，有效診斷民用飛機(jī)著陸滑行燈常亮故障，提高飛機(jī)在飛行過程中的安全性，提出了基于IBA-LSSVM強(qiáng)迫選擇模型的民用飛機(jī)著陸滑行儀表燈常亮故障關(guān)聯(lián)檢測(cè)方法。分析故障產(chǎn)生原因后，利用Python編程數(shù)據(jù)采集代碼，建立Web服務(wù)器，根據(jù)控制邏輯建立系統(tǒng)邏輯關(guān)系數(shù)據(jù)信息表，提高數(shù)據(jù)采集的效率。采用改進(jìn)蝙蝠算法(IBA)與最小二乘支持向量機(jī)(LSSVM)相結(jié)合的方式，構(gòu)建改進(jìn)蝙蝠算法-最小二乘支持向量機(jī)(IBA-LSSVM)診斷檢測(cè)強(qiáng)迫博弈模型，進(jìn)一步提升故障識(shí)別率和準(zhǔn)確率，縮短故障識(shí)別時(shí)間。以航空照明數(shù)據(jù)樣本為例進(jìn)行仿真計(jì)算，驗(yàn)證IBA-LSSVM模型的有效性，仿真測(cè)試結(jié)果表明所提模型能夠準(zhǔn)確識(shí)別著陸滑行燈常亮故障，且識(shí)別時(shí)間和計(jì)算量較少，解決了民用飛機(jī)著陸滑行儀表燈常亮故障檢測(cè)效率和檢測(cè)精度低等問題，有效保證飛行安全。

1 民用飛機(jī)著陸滑行儀表燈常亮故障分析

民用飛機(jī)在著陸滑行過程中，易產(chǎn)生儀表燈常亮故障，極大影響了飛機(jī)飛行的安全性，甚至引發(fā)緊急下降事件，為此，需要分析儀表燈常亮故障產(chǎn)生的原因，主要有以下幾個(gè)方面。

第一，高壓原因：民用飛機(jī)在飛機(jī)起飛、近進(jìn)、降落和地面滑行過程中，高壓氣體放電使著陸滑行燈發(fā)光，當(dāng)氣源總管的壓力低于12 PSI，就會(huì)關(guān)閉最小壓力關(guān)斷活門，導(dǎo)致氣源瞬間中斷，放氣活門靠近關(guān)位，增加了座艙的升降率。在引氣壓力<90 PSI時(shí)，15級(jí)高壓引氣在短時(shí)間內(nèi)沖入氣源管道，使氣源總管的壓力瞬間高于12 PSI，打開了最小壓力關(guān)斷活門，放氣活門中壓力陡增，飛機(jī)艙內(nèi)氣壓升高，降低座艙的升降率，速率限制器保護(hù)系統(tǒng)引發(fā)儀表燈常亮故障。

第二，機(jī)械故障原因：飛機(jī)使用時(shí)間過長(zhǎng)，儀表燈線路易產(chǎn)生故障，如連接線損壞導(dǎo)致金屬材料的磨損、氧化和腐蝕等問題。若燃?xì)鉁u輪轉(zhuǎn)速表內(nèi)發(fā)生短路，也容易導(dǎo)致儀表燈常亮現(xiàn)象。

第三，外部原因：當(dāng)飛機(jī)儀表燈線路受到外來物擠壓等情況，也容易造成儀表燈常亮故障。

在實(shí)際的故障檢測(cè)過程當(dāng)中，常用的故障檢測(cè)方法有：目視檢驗(yàn)法、電表測(cè)量法和故障定位儀檢測(cè)法。本文利用IBA-LSSVM強(qiáng)迫選擇模型對(duì)民用飛機(jī)著陸滑行儀表燈常亮故障進(jìn)行檢測(cè)。

2 故障數(shù)據(jù)的采集及邏輯關(guān)系信息的統(tǒng)計(jì)

在飛機(jī)的飛行過程中，通過Python編程數(shù)據(jù)采集代碼，建立Web服務(wù)器，提高數(shù)據(jù)采集的穩(wěn)定性，采用k-means聚類算法對(duì)相同參數(shù)信號(hào)數(shù)據(jù)進(jìn)行合并聚類，利用小波閾值去噪方法獲取去噪后的數(shù)據(jù)，根據(jù)控制邏輯設(shè)計(jì)系統(tǒng)邏輯關(guān)系數(shù)據(jù)信息表，將有效數(shù)據(jù)存儲(chǔ)至數(shù)據(jù)庫(kù)中，以此完成故障數(shù)據(jù)的采集及邏輯關(guān)系信息的統(tǒng)計(jì)。

2.1 采集著陸滑行儀表燈信號(hào)及電氣故障交聯(lián)數(shù)據(jù)

飛機(jī)飛行狀態(tài)下，著陸滑行儀表燈的系統(tǒng)信號(hào)會(huì)通過信號(hào)接地的方式，利用搭接線完成信號(hào)傳輸回路。但是，電磁輻射和開關(guān)效應(yīng)會(huì)改變導(dǎo)線電氣特性，造成照明系統(tǒng)發(fā)生故障。通過Python編程數(shù)據(jù)采集代碼，建立Web服務(wù)器，為滿足照明系統(tǒng)信號(hào)及電氣交聯(lián)數(shù)據(jù)采集的穩(wěn)定性、擴(kuò)展性、高效性的需求，選用由萬國(guó)商業(yè)機(jī)器公司研發(fā)的IBM system x3 670型號(hào)服務(wù)器作為系統(tǒng)的Web服務(wù)器。Web服務(wù)器的具體參數(shù)配置，如表1所示。

表1 Web服務(wù)器技術(shù)參數(shù)

利用k-means聚類算法[14-16]將照明系統(tǒng)信號(hào)數(shù)據(jù)劃分為若干個(gè)聚類集合，對(duì)相同參數(shù)信號(hào)數(shù)據(jù)實(shí)施合并聚類：

(1)

式中，n為照明系統(tǒng)信號(hào)數(shù)據(jù)總量，di為第i個(gè)訓(xùn)練數(shù)據(jù)集合經(jīng)驗(yàn)熵，r為電容量。照明系統(tǒng)信號(hào)及電氣交聯(lián)數(shù)據(jù)處理過程中，數(shù)據(jù)通常含有噪聲，需要補(bǔ)充缺失值，采用小波閾值去噪方法，明確并去除噪聲數(shù)據(jù)，利用小波閾值去噪方法的去噪步驟如下。

步驟1：選取合適的小波，對(duì)數(shù)據(jù)進(jìn)行變換后獲取小波系數(shù)。

步驟2：通過閾值計(jì)算得到適合的閾值函數(shù)，修正小波系數(shù)。

步驟3：重構(gòu)已修正的小波系數(shù)，獲取最終的去噪數(shù)據(jù)為：

(2)

(3)

式中，R為靜電電容量；λi為聚類度量因子。以此，滿足照明系統(tǒng)全部數(shù)據(jù)屬性的有效挖掘，完成數(shù)據(jù)采集。通過采集照明系統(tǒng)信號(hào)可以有效研判飛機(jī)起飛、近進(jìn)、降落、地面滑行時(shí)狀態(tài)下的各機(jī)外燈光指標(biāo)狀態(tài)。

2.2 存儲(chǔ)飛行狀態(tài)下的故障數(shù)據(jù)邏輯關(guān)系信息

根據(jù)控制邏輯[17]建立知識(shí)庫(kù)，知識(shí)庫(kù)的作用是采集、管理航空電氣設(shè)備故障診斷的知識(shí)，通過C#語(yǔ)言完成編程。利用自動(dòng)收集與非自動(dòng)收集兩種方式，采集故障診斷的相關(guān)知識(shí)。前者主要憑借系統(tǒng)自身的知識(shí)收集能力，通過與領(lǐng)域?qū)＜医换?，取得所需知識(shí)，或者從運(yùn)行實(shí)踐中，通過歸納總結(jié)，學(xué)習(xí)到所需知識(shí)，輸入到知識(shí)庫(kù)中；后者則是知識(shí)工程師通過編輯從相關(guān)源頭收集到的知識(shí)，輸入到知識(shí)庫(kù)中。根據(jù)知識(shí)庫(kù)收集到知識(shí)，建立系統(tǒng)邏輯關(guān)系數(shù)據(jù)信息表，如表2所示。

表2 系統(tǒng)邏輯關(guān)系數(shù)據(jù)信息表

根據(jù)統(tǒng)計(jì)表信息，將有效系統(tǒng)數(shù)據(jù)存儲(chǔ)至SQL Server 2018數(shù)據(jù)庫(kù)[18-19]，為后續(xù)著陸滑行燈常亮故障診斷提供數(shù)據(jù)支持。

以IBM system x3670型號(hào)的服務(wù)器為基礎(chǔ)，建立獨(dú)立系統(tǒng)數(shù)據(jù)庫(kù)服務(wù)器，以減少編程量和數(shù)據(jù)存儲(chǔ)開銷，保證故障診斷更穩(wěn)定，響應(yīng)速度更快速。所建數(shù)據(jù)庫(kù)服務(wù)器的具體參數(shù)配置，如表3所示。

表3 數(shù)據(jù)庫(kù)服務(wù)器技術(shù)參數(shù)

根據(jù)以上設(shè)計(jì)，以更好地采集故障數(shù)據(jù)并統(tǒng)計(jì)其邏輯關(guān)系信息，為設(shè)計(jì)著陸滑行燈常亮故障檢測(cè)方法奠定基礎(chǔ)。

3 著陸滑行燈常亮故障檢測(cè)方法設(shè)計(jì)

根據(jù)自適應(yīng)多普勒補(bǔ)償，優(yōu)化蝙蝠算法的脈沖頻率參數(shù)，成為改進(jìn)蝙蝠尋優(yōu)算法，提高了蝙蝠算法的全局尋優(yōu)能力。利用稀疏近似將SVM中的不等式約束轉(zhuǎn)變?yōu)榈仁郊s束，通過改進(jìn)的蝙蝠尋優(yōu)算法構(gòu)建IBA-LSSVM模型，提高民用飛機(jī)著陸滑行燈常亮故障的識(shí)別率和準(zhǔn)確率，縮短故障識(shí)別時(shí)間。

3.1 改進(jìn)蝙蝠尋優(yōu)算法設(shè)計(jì)

蝙蝠算法[20-22]是通過模擬蝙蝠使用聲吶躲避障礙物、搜尋獵物進(jìn)行捕食的隨機(jī)搜索方法，也就是模仿蝙蝠通過超聲波探測(cè)障礙物或獵物的基本探測(cè)能力，并與最優(yōu)目標(biāo)函數(shù)結(jié)合起來，根據(jù)飛行聲波響度和脈沖發(fā)射率，調(diào)節(jié)接收頻率、速度和位置信息，以此判斷蝙蝠的最優(yōu)位置，尋求最優(yōu)解的方法，具有尋優(yōu)過程短，全局尋優(yōu)能力強(qiáng)的特點(diǎn)。蝙蝠在迭代過程中，脈沖頻率fi、速度vi、方位xi的表達(dá)式為：

fi=fmin+(fmax-fmin)β

(5)

vi=vit+ (xit-x*)fi

(6)

xi=xit+vit + 1

(7)

式中，fmin為脈沖頻率最小值；fmax為脈沖頻率最大值；β為隨機(jī)因子，β∈[0，1]；vit為t時(shí)刻個(gè)體移動(dòng)速度；xit為t時(shí)刻的方位位置；x*為方位最優(yōu)位置。

蝙蝠個(gè)體位置發(fā)生變化后，會(huì)影響脈沖頻率，造成算法收斂速度慢，容易產(chǎn)生局部極值。為了提高算法收斂速度和局部搜索能力，采用自適應(yīng)多普勒補(bǔ)償方法，優(yōu)化脈沖頻率參數(shù)，自適應(yīng)多普勒補(bǔ)償方法是一種常用的補(bǔ)償方法，在方位空間頻率-多普勒頻率的二維域得到廣泛的應(yīng)用?？紤]到在實(shí)際應(yīng)用場(chǎng)景中的外界干擾，將分布式博弈和線性輸出調(diào)節(jié)理論相結(jié)合，以抵消外部干擾，過程如下：

(8)

式中，vgt為t時(shí)刻的全局最佳個(gè)體速度標(biāo)量；fit為t時(shí)刻的脈沖頻率。通過自適應(yīng)調(diào)整后，提升了蝙蝠算法全局尋優(yōu)能力，利用IBA檢測(cè)著陸滑行燈常亮故障信號(hào)特征。具體操作流程如下所示。

步驟1：對(duì)蝙蝠種群進(jìn)行初始化處理后，設(shè)置迭代所需的基本參數(shù)。

步驟2：采用自適應(yīng)多普勒補(bǔ)償優(yōu)化脈沖脈沖頻率等參數(shù)，形成改進(jìn)蝙蝠尋優(yōu)算法，生成優(yōu)選解集。

步驟3：對(duì)照明信號(hào)和電氣交聯(lián)信號(hào)進(jìn)行預(yù)處理，利用改進(jìn)蝙蝠尋優(yōu)算法獲取最優(yōu)解。

步驟4：完成迭代后，則繼續(xù)匹配照明系統(tǒng)信號(hào)的特征；若未完成迭代，則返回步驟2。

步驟5：完成著陸滑行燈常亮故障信號(hào)特征的提取。

根據(jù)上述改進(jìn)蝙蝠尋優(yōu)算法提取著陸滑行燈常亮故障信號(hào)特征的流程圖如圖1所示。

圖1 著陸滑行燈常亮故障信號(hào)特征提取流程

通過自適應(yīng)多普勒補(bǔ)償方法實(shí)現(xiàn)對(duì)蝙蝠算法的改進(jìn)，在抵消外部干擾的同時(shí)，提升了蝙蝠算法全局尋優(yōu)能力，以此建立IBA-LSSVM強(qiáng)迫博弈模型。

3.2 構(gòu)建IBA-LSSVM強(qiáng)迫博弈模型

在著陸滑行儀表燈常亮的故障系統(tǒng)檢測(cè)中，面臨檢測(cè)過程故障概率博弈迭代死循環(huán)，在故障檢測(cè)的強(qiáng)迫選擇部分，利用上述改進(jìn)蝙蝠尋優(yōu)算法構(gòu)建IBA-LSSVM模型來解決故障概率博弈迭代死循環(huán)問題。

LSSVM[23]利用稀疏近似將SVM中的不等式約束轉(zhuǎn)變?yōu)榈仁郊s束，可以有效優(yōu)化目標(biāo)，降低計(jì)算復(fù)雜度，減少數(shù)據(jù)冗余，提升收斂精度。使用LSSVM進(jìn)行故障診斷時(shí)，最優(yōu)化條件對(duì)模型的學(xué)習(xí)能力和采集提取結(jié)果具有較大影響力。改進(jìn)的IBA具有并行全局尋優(yōu)能力，在故障診斷過程中能夠確保算法收斂的同時(shí)，避免早熟收斂。構(gòu)建IBA-LSSVM模型可以提升故障識(shí)別率和準(zhǔn)確率，縮短故障識(shí)別時(shí)間。

(9)

(10)

(11)

(12)

式中，xnew為擾動(dòng)后蝙蝠新方位。根據(jù)IBA-LSSVM模型，計(jì)算飛機(jī)飛行故障檢測(cè)強(qiáng)迫選擇閾值參數(shù)：

(13)

式中，γ為風(fēng)載振動(dòng)系數(shù)；I為電流。根據(jù)照明參數(shù)，對(duì)采集到的系統(tǒng)信號(hào)及電氣交聯(lián)數(shù)據(jù)進(jìn)行電流計(jì)算。當(dāng)PI≤1時(shí)，即做出強(qiáng)迫選擇，為著陸滑行燈常亮故障：

(14)

步驟1：劃分采集到的著陸滑行儀表燈信號(hào)及電氣故障交聯(lián)數(shù)據(jù)。

步驟2：對(duì)改進(jìn)的IBA算法和LSSVM的參數(shù)進(jìn)行初始化處理，并設(shè)定LSSVM參數(shù)的閾值。

步驟3：計(jì)算蝙蝠個(gè)體的適應(yīng)值，獲取全局最優(yōu)解。

步驟4：對(duì)蝙蝠的速度和位置進(jìn)行更新，獲取當(dāng)前最新位置和速度。

步驟5：對(duì)蝙蝠的個(gè)體適應(yīng)度進(jìn)行評(píng)估，若高于全局最優(yōu)解，則需替換全局最優(yōu)解；反之，進(jìn)行下一步。

步驟6：將蝙蝠的最優(yōu)解位置參數(shù)輸入LSSVM模型中，訓(xùn)練后輸出全局最優(yōu)解。

步驟7：判斷當(dāng)前全局最優(yōu)解是否滿足終止條件，若不滿足，則返回步驟4；若滿足，則獲得最佳參數(shù)組合

步驟8：獲取最佳故障診斷結(jié)果。

通過上述步驟，解決了故障概率博弈迭代死循環(huán)問題，完成了著陸滑行燈常亮故障檢測(cè)，有效提升著陸滑行燈常亮故障診斷精度，確保飛機(jī)安全飛行。

4 仿真測(cè)試

為了驗(yàn)證所提基于IBA-LSSVM的民用飛機(jī)著陸滑行燈常亮故障診斷方法的有效性進(jìn)行仿真測(cè)試。擬定實(shí)驗(yàn)平臺(tái)即Matlab R2019 b，在主頻為1的環(huán)境下進(jìn)行仿真測(cè)試。在航空工業(yè)西安飛機(jī)工業(yè)集團(tuán)有限公司的民用飛機(jī)飛行狀態(tài)數(shù)據(jù)庫(kù)中隨機(jī)選取1 500組照明系統(tǒng)數(shù)據(jù)信息，將其中1 200組數(shù)據(jù)信息用于訓(xùn)練，300組數(shù)據(jù)信息用于測(cè)試，利用所提方法(基于IBA-LSSVM的民用飛機(jī)著陸滑行燈常亮故障診斷方法)和文獻(xiàn)[9]方法(大氣數(shù)據(jù)系統(tǒng)“失速”燈常亮故障分析方法)對(duì)故障識(shí)別率、故障識(shí)別準(zhǔn)確率、故障識(shí)別時(shí)間和故障識(shí)別效果進(jìn)行測(cè)試。具體仿真步驟如下所示。

步驟1：采集著陸滑行儀表燈信號(hào)及電氣故障交聯(lián)數(shù)據(jù)。

步驟2：存儲(chǔ)飛行狀態(tài)下的故障數(shù)據(jù)邏輯關(guān)系信息至SQL Server 2018數(shù)據(jù)庫(kù)。

步驟3：采用自適應(yīng)多普勒補(bǔ)償方法，改進(jìn)蝙蝠算法。

步驟4：基于改進(jìn)IBA的地方尋優(yōu)能力，建立IBA-LSSVM強(qiáng)迫博弈模型。

步驟5：計(jì)算系統(tǒng)信號(hào)及電氣交聯(lián)數(shù)據(jù)的電流，完成著陸滑行燈常亮故障檢測(cè)。

4.1 故障識(shí)別率分析

為了驗(yàn)證所提基于IBA-LSSVM的民用飛機(jī)著陸滑行燈常亮故障的識(shí)別率，與文獻(xiàn)[9]方法進(jìn)行對(duì)比測(cè)試。民用飛機(jī)著陸滑行燈故障識(shí)別率是指從飛機(jī)起飛時(shí)刻到飛機(jī)降落時(shí)刻，這個(gè)時(shí)間段內(nèi)飛行狀態(tài)下的所有故障數(shù)據(jù)識(shí)別能力。著陸滑行燈故障識(shí)別率對(duì)后續(xù)地故障識(shí)別準(zhǔn)確率提供支撐，因此故障識(shí)別率至關(guān)重要。故障識(shí)別率計(jì)算公式為：

(15)

式中，F(xiàn)為故障識(shí)別數(shù)量；U為有效照明系統(tǒng)數(shù)據(jù)總量。著陸滑行燈故障識(shí)別率達(dá)到95%，即為滿足測(cè)試要求，所提方法和文獻(xiàn)[9]方法的具體故障識(shí)別率結(jié)果如表4所示。

表4 著陸滑行燈故障識(shí)別率結(jié)果

根據(jù)表4可知，文獻(xiàn)[9]方法在8種不同類型的故障識(shí)別過程中，識(shí)別率在85.9%～87.8%之間，而所提方法在8種不同類型的故障識(shí)別過程中，識(shí)別率均在95%以上，最高識(shí)別率可達(dá)到98.7%，滿足測(cè)試要求，雖然文獻(xiàn)[9]方法的識(shí)別率也處于較高水平，但略低于所提方法。因?yàn)樗岱椒ɡ胟-means 聚類算法，對(duì)照明系統(tǒng)信號(hào)數(shù)據(jù)進(jìn)行劃分，將若干個(gè)聚類集合中的相同參數(shù)信號(hào)進(jìn)行歸一化處理，并以此作為后續(xù)的故障診斷標(biāo)準(zhǔn)，所以故障識(shí)別率較高，可以有效識(shí)別著陸滑行燈多類型故障，具有較強(qiáng)實(shí)用性。而文獻(xiàn)[9]方法未將照明系統(tǒng)信號(hào)數(shù)據(jù)進(jìn)行歸一化處理，著陸滑行燈故障識(shí)別率還需進(jìn)一步提升。

4.2 故障識(shí)別準(zhǔn)確率分析

為了驗(yàn)證基于IBA-LSSVM的民用飛機(jī)著陸滑行燈常亮故障識(shí)別準(zhǔn)確率，通過迭代方式，對(duì)300組識(shí)別到的多類型著陸滑行燈故障數(shù)據(jù)信息進(jìn)行準(zhǔn)確率計(jì)算。計(jì)算公式為：

(16)

式中，E為準(zhǔn)確識(shí)別故障屬性數(shù)量。將故障識(shí)別準(zhǔn)確率作為測(cè)試指標(biāo)，準(zhǔn)確率越高，表明該算法的識(shí)別精度越高，以此測(cè)試所提方法和文獻(xiàn)[9]方法的識(shí)別準(zhǔn)確率如圖2所示。

圖2 著陸滑行燈識(shí)別準(zhǔn)確率結(jié)果

根據(jù)圖2可知，隨著照明系統(tǒng)信號(hào)及電氣交聯(lián)數(shù)據(jù)的增加，兩種方法的著陸滑行燈故障識(shí)別準(zhǔn)確率差異逐漸增加。文獻(xiàn)[9]方法隨著照明系統(tǒng)數(shù)據(jù)的增加，著陸滑行燈識(shí)別準(zhǔn)確率不斷下降，且準(zhǔn)確率范圍在90%～94%之間。而所提方法不論照明系統(tǒng)數(shù)據(jù)如何增加，識(shí)別準(zhǔn)確率曲線始終保持在穩(wěn)定水平，且均在96%以上，高于文獻(xiàn)[9]方法，在故障診斷至250組時(shí)，故障識(shí)別準(zhǔn)確率趨于穩(wěn)定，達(dá)到96.8%。這是由于所提方法構(gòu)建了IBA-LSSVM模型，通過IBA計(jì)算飛機(jī)飛行狀態(tài)照明參數(shù)，有效提升著陸滑行燈常亮故障診斷精度。

4.3 故障識(shí)別時(shí)間分析

利用所提方法和文獻(xiàn)[9]方法測(cè)試300組照明系統(tǒng)數(shù)據(jù)信息的識(shí)別時(shí)間，識(shí)別時(shí)間越短，表明該算法的檢測(cè)效率越高；識(shí)別時(shí)間越長(zhǎng)，表明該方法的檢測(cè)效率越低。兩種方法的測(cè)試結(jié)果如圖3所示。

圖3 故障識(shí)別時(shí)間結(jié)果

根據(jù)圖3可知，隨著照明系統(tǒng)數(shù)據(jù)的增多，兩種方法的故障識(shí)別時(shí)間也隨之增加，文獻(xiàn)[9]方法的故障識(shí)別時(shí)間在1.5～2.5 ms之間，而所提方法對(duì)滑行儀表燈常亮故障的識(shí)別時(shí)間始終在2 ms以下，低于文獻(xiàn)[9]方法。因?yàn)樗岱椒ǜ鶕?jù)改進(jìn)后的蝙蝠算法獲取最小適應(yīng)度蝙蝠方位，有效提高全局最優(yōu)解尋優(yōu)速度，以此提升故障識(shí)別效率，故障識(shí)別時(shí)間較短，僅用2 ms可以有效識(shí)別600個(gè)照明系統(tǒng)信號(hào)及電氣交聯(lián)數(shù)據(jù)中存在的多類型著陸滑行燈故障。

4.4 故障識(shí)別效果

為了驗(yàn)證基于IBA-LSSVM的民用飛機(jī)著陸滑行燈常亮故障診斷方法的識(shí)別效果，隨機(jī)在300組照明系統(tǒng)數(shù)據(jù)信息中混入不同數(shù)量的故障數(shù)據(jù)，利用所提方法和文獻(xiàn)[9]方法進(jìn)行故障識(shí)別，測(cè)試故障數(shù)量與實(shí)際故障數(shù)量相同，表明該方法的識(shí)別效果越好。兩種方法的故障識(shí)別效果如表5所示。

表5 故障識(shí)別效果

由表5可知，在300個(gè)照明系統(tǒng)數(shù)據(jù)檢測(cè)中，所提方法可有效檢測(cè)出存在故障的照明系統(tǒng)數(shù)據(jù)的數(shù)量，而文獻(xiàn)[9]方法在照明系統(tǒng)數(shù)據(jù)為150組、200組和250組時(shí)，識(shí)別的故障數(shù)量與真實(shí)的故障數(shù)量存在一定的差異。由此可知，所提方法具有更好的識(shí)別效果。因?yàn)樗岱椒ㄍㄟ^控制邏輯建立了系統(tǒng)邏輯關(guān)系數(shù)據(jù)信息表，將有效數(shù)據(jù)信息存儲(chǔ)至SQL Server 2018數(shù)據(jù)庫(kù)，提高了整體識(shí)別效果。

根據(jù)上述4個(gè)仿真分析結(jié)果，證明了基于IBA-LSSVM強(qiáng)迫選擇模型的民用飛機(jī)著陸滑行儀表燈常亮故障關(guān)聯(lián)檢測(cè)方法的有效性。在故障識(shí)別率分析中，所提方法的識(shí)別率在95.4%～98.7%之間，具有較高的識(shí)別率，因?yàn)樗岱椒ɡ胟-means 聚類算法對(duì)照明系統(tǒng)信號(hào)數(shù)據(jù)進(jìn)行了歸一化處理，有效提高了故障識(shí)別率；在故障識(shí)別準(zhǔn)確率分析中，所提方法的識(shí)別準(zhǔn)確率在97%左右，因?yàn)樗岱椒ㄍㄟ^IBA計(jì)算飛機(jī)飛行狀態(tài)照明參數(shù)，提高了著陸滑行燈常亮故障診斷精度；在故障識(shí)別時(shí)間分析中，所提方法的故障識(shí)別時(shí)間在0.5～2.0 ms之間，因?yàn)樗岱椒ɡ酶倪M(jìn)改進(jìn)蝙蝠尋優(yōu)算法獲取最小適應(yīng)度蝙蝠方位，提高故障識(shí)別效率；在故障識(shí)別效果分析中，所提方法可識(shí)別出所有的故障數(shù)據(jù)，因?yàn)樗岱椒▽⒂行畔⑦M(jìn)行存儲(chǔ)，具有良好的故障識(shí)別效果。

5 結(jié)束語(yǔ)

航空事業(yè)可推動(dòng)經(jīng)濟(jì)可持續(xù)發(fā)展，是加快我國(guó)經(jīng)濟(jì)發(fā)展道路上不可或缺的重要部分。近幾年的航空工業(yè)迅猛發(fā)展，呈智能化發(fā)展的照明系統(tǒng)越來越復(fù)雜，導(dǎo)致潛在故障逐漸增多。隨著應(yīng)用頻率日益提升，嚴(yán)峻的安全問題受到高度關(guān)注，一旦發(fā)生故障就會(huì)對(duì)航空安全產(chǎn)生嚴(yán)重威脅，甚至引發(fā)空難。以保障航行安全為目標(biāo)，針對(duì)民用飛機(jī)著陸滑行燈常亮故障診斷問題，本文構(gòu)建IBA-LSSVM強(qiáng)迫博弈模型：通過分析因高壓原因、機(jī)械故障原因和外部原因?qū)е碌拿裼蔑w機(jī)著陸滑行儀表燈常亮故障，采用Python編程數(shù)據(jù)采集代碼，建立Web服務(wù)器，利用k-means聚類算法規(guī)劃照明系統(tǒng)信號(hào)數(shù)據(jù)，完成著陸滑行儀表燈信號(hào)及電氣故障交聯(lián)數(shù)據(jù)的采集，并根據(jù)控制邏輯建立系統(tǒng)邏輯關(guān)系數(shù)據(jù)信息表，將有效數(shù)據(jù)存儲(chǔ)至SQL Server 2018數(shù)據(jù)庫(kù)，保障系統(tǒng)的穩(wěn)定運(yùn)行。通過自適應(yīng)多普勒補(bǔ)償方法對(duì)蝙蝠算法進(jìn)行改進(jìn)，在提高算法收斂效果的同時(shí)避免早熟收斂，結(jié)合分布式博弈和線性輸出調(diào)節(jié)理論構(gòu)建IBA-LSSVM模型，解決了故障概率博弈迭代死循環(huán)問題，完成民用飛機(jī)著陸滑行儀表燈常亮故障關(guān)聯(lián)檢測(cè)。測(cè)試結(jié)果表明，所提方法的故障識(shí)別率均高于95%、故障識(shí)別準(zhǔn)確率可以達(dá)到96.8%，故障識(shí)別時(shí)間在2 ms以下，為故障診斷方法提供良好理論支持。為了進(jìn)一步提高民用飛機(jī)著陸滑行儀表燈常亮故障關(guān)聯(lián)檢測(cè)效果。未來將從以下幾個(gè)方向展開進(jìn)一步嘗試：

1)采用多屬性綜合決策，明確照明系統(tǒng)故障處理優(yōu)先級(jí)，區(qū)別處理不同設(shè)備的離散量和連續(xù)量。

2)融合模糊神經(jīng)網(wǎng)絡(luò)與IBA-LSSVM相結(jié)合，更好地完成參數(shù)學(xué)習(xí)，適用飛機(jī)多種設(shè)備的故障診斷。